菜单
English articles本文暂无译文
积墨AI

积墨AI

Super-agent架构深度拆解:让Agent摆脱单会话束缚,走向持续在线的多任务自主协作

过去一年,以Coding Agent为代表的单任务智能体已经充分证明:大模型能够借助工具解决复杂问题,且越来越不需要人类逐步干预。与此同时,个人助手类应用开始集中涌现,它们直接接入消息、日程、邮件与工作平台,持续观察信息流并主动协助处理事务。这种持续在线、事件驱动的工作模式正在从个人场景向研发协作等商业场景扩展。然而,现有主流Agent设计仍以单一Session为基本单位,Session之间彼此独立,难以在多任务与团队协作的规模上支撑这一新形态。本文从工程实践出发,探讨一种更自主的Agent系统架构——Super-agent的设计思路。

从被动应答到主动协作

现有Agent的工作模式以单次手动会话为基本单位。当用户并行推进多项工作时,必须手动切换并记住各个Session的上下文,而一个人通常只能同时跟进3到5个活跃Session。在这种设计下,单任务的上限取决于模型能力,多任务的上限却取决于人的注意力。即便借助CLI、MCP或外部连接器做简单扩展,Agent依然受制于单会话同步阻塞、多任务上下文混乱、本地设备离线即停止运行等问题,需要大量人工维护。要突破这些限制,就需要打破Agent与单次会话的绑定,使其成为一个能跨会话保持上下文、同时推进多项复杂任务且互不干扰的连续实体。

Super-agent具备四个基础特征。其一是连续:用户可以在IM聊天、GitHub评论等熟悉的工作界面与它交互,感觉始终只存在一个Agent,无需关心底层Session的划分。其二是高效:交互响应迅速,能并行、高质量地完成多个复杂任务,无需等上一个任务完成就能接受下一条指令。其三是主动:无需等待用户逐条下达指令,能持续观察环境事件并主动推进值得处理的事项,不需要介入时则保持安静。其四是持久:始终在线、直接接入用户真实的工作环境,并在长期运行中遇到异常时自动恢复。单个ReAct Loop无法同时支持这四个特征,底层需要一套完整的系统架构来支撑。

Super-agent的成败,不在模型能力里、不在提示词技巧里,而在系统架构的每一个工程细节里。

“行业观察”
积墨 AI 核心产品

积墨 AI 智能体开发平台

快速搭建具备商业价值的 AI 智能体,支持复杂工作流编排、50+ 主流模型接入与私有化部署。

从多年产业实践经验来看,这套架构的核心可以归纳为五个模块。第一是双层架构:常驻的Router层统一承接人类交互与全局协调,充当全局的序点与记忆,但不直接执行具体任务;上下文隔离的Worker层挂载完整工具、并发执行单一任务,推理过程不直接输出到外部信道。第二是事件驱动:群聊消息、代码审查评论、CI结果等环境事件作为Trigger驱动系统,并采用程序策略与大模型结合的两级过滤机制,在调用模型前先以确定性代码筛除噪音。第三是订阅直通:已分配任务的后续事件由程序直接发往对应Worker,Router仅负责新任务的冷启动与跨任务协调。第四是计算、状态与环境的分离:Agent Loop放入云端无状态弹性容器,会话状态持久化存入数据库,端侧仅部署轻量daemon按需接入本地执行环境,支持间歇在线的个人设备。第五是Watchdog:在主系统之外引入独立的Control Loop,既监控基础设施存活,也由模型判断各Worker是否有实质进展、方向是否偏离,发现异常及时介入修复。初步实验显示,在约300条消息、20条工作请求的合成负载下,Super-agent的任务完成时间p50为12.4分钟,显著优于依赖提示词分工的单Session加Subagent方案;Router层的批处理机制则使事件密集时单个决定的分摊推理时间从6.4秒降至1.6秒。

这套架构真正的价值,在于重新定义了人与Agent的分工边界。在内部实践中,同一个开发任务可以在IM群聊与GitHub Pull Request之间连续推进:用户先在IM上提出方案A,随后在代码评审评论里改为方案B,Agent能理解并调整执行方向;它还持续观察公共群聊中的反馈,在无人@的情况下主动定位问题根因并提交修复Pull Request。这种能力源于投机执行思想——当群里有人反馈问题时,Agent先在后台尝试复现并寻找修复方案,确认问题且找到简单修复后才交付结果,否则全程保持安静。在个人助手场景下,收到会议邀约邮件时,Agent可以先在后台核对日程冲突、搜集背景资料并备好回复草稿,用户过目后一键确认即可发出。交互方式也针对不同信道定制:IM等即时通讯信道侧重低打扰的轻量沟通,单次回复不超过100词;GitHub、邮件等异步信道则侧重结构化、高信息密度的完整交付。通过异步ReAct Loop,前台对话与后台任务执行解耦,Agent在后台运行耗时任务的同时也能随时响应人类输入。人类得以从具体的执行细节上移到更高层的决策与验收。

回顾整套设计,并没有提出全新理论,而是将计算机系统中经典的工程思想——Fast/Slow Path、存算分离、投机执行、外部Watchdog——应用到Agent系统的构建中。随着模型执行单个任务越来越少需要人工干预,生产力的瓶颈正在转向人的注意力。让Agent成为数字环境中持续在线的自主协作者,这种更自主的工作方式有望成为人机协作的常态。

#多任务并发#事件驱动#存算分离#工作流编排#Router-Worker架构
分享文章

相关文章推荐

试用咨询
企业微信二维码

扫码添加企业微信